CN102175701B - 工业x射线机在线探伤检测系统及方法 - Google Patents

Abstract

工业X射线机在线探伤检测系统及方法，由智能相机、光学镜头系统、图像增强器、X射线管、高压发生器、气动编码器、运动控制器、网卡、监控室主机、声光报警器组成；智能相机通过运动控制器控制传送带运转，通过行程编码器获得工件位移信息，通过高压发生器控制X射线管发射X射线，透过工件并经图像增强器、光学镜头系统，摄取工件图像，检测工件缺陷并提取坐标和尺寸信息，控制气动打标器标记工件缺陷位置，将实时视频、含有缺陷的图像及分析结果传输至监控室主机；监控室主机与声光报警器连接。本系统价格低、能够实时显示，检测速度快，适合对定位精度要求不是很高、被检测工件厚度比较均匀、人眼容易从屏幕上识别缺陷或问题的快速动态检测。

Description

工业X射线机在线探伤检测系统及方法

技术领域

本发明涉及X射线成像技术，特别涉及一种用于工业探伤的X射线成像设备及缺陷检测方法。

背景技术

随着中国工业的发展，产品出口不断增长，世界工厂的地位已然确立，由此对工业产品的质量要求也日益提高，工业产品的检测比例和数量呈现逐年上升态势。近年来，射线成像检测技术已经得到认可，各种工件如锅炉焊管、汽车轮毂的生产厂商开始采用工业X射线进行成像检测。然而，这类工件的生产效率一般都很高，要求能够在流水线上进行实时、高分辨率的逐件射线检测。

X射线成像检测的原理是：X射线在穿透被检物体过程中，会与物质发生相互作用，因吸收和散射而使其强度减弱。强度减弱程度取决于物质的衰减系数和射线在物质中穿越的厚度。这样同样强度的X射线透过完好部位和缺陷部位后，将会出现不同的衰减，透射射线的强度出现差异。X射线成像系统有多种类型，如基于射线图像增强器的系统，基于平板式数字成像器（FPD）的系统，基于光纤耦合CCD的射线成像系统，以及线阵探测器扫描成像系统（LDA）等。目前，在医疗透视诊断和工业射线检测等领域应用较为成熟的是采用图像增强器和普通视频摄像机组成的X射线电视系统，或通过图像采集卡由计算机进行处理的数字成像系统，但该系统存在以下不足。

在射线成像系统方面，第一代的图像增强器系统只适用于300kV以下的低能X射线，即对中小型工件检测，且动态范围小，成像质量较差，特别是随着使用时间增加图像质量越来越差，容易在输出屏灼伤，寿命短。但经过近60年的发展、如今已发展到了第三代，其亮度增益、分辨率各方面都得到了较大的提高。然而，目前用于X射线成像检测的数字化可见光成像装置主要是CCD视频相机，不但成本高，而且视频模拟传输的方式限制了各项指标的性能提升，使得分辨率在百万像素以下，帧频在30fps以内，已经不能满足高精度、大尺度的在线检测需求。

从90年代初开始，CMOS图像传感器得到迅速发展，它的一些性能参数与CCD相接近，而在抗辐射能力、功能、功耗、尺寸和价格等方面要优于CCD图像传感器。在我国，比起高端的数字化成像设备，性价比突出的产品拥有更加广阔的市场。

在自动检测系统方面，目前普遍使用的X射线自动检测与识别系统主要是辅助判别系统，即通过操作人员与计算机的交互对话进行分类处理或半自动系统，即通过人眼找到缺陷位置，借助鼠标或键盘画定缺陷范围后，再进行机器识别，这实际上并不能真正实现自动化。另外由于射线成像系统会产生对人体有害的辐射，使得工件检测的成像装置必须与检测人员所在的监控中心进行隔离，这样就会产生与分析结果无关的图像二次采样、编码、传输及解码等过程，在通信带宽和距离受限的条件下，高分辨率的实时视频流将给处理能力有限的通用计算机系统带来巨大压力，功能强大但相对复杂的缺陷检测算法的应用也就受到了限制。这正是目前使用的大多数检测机械无法对工业构件进行动态的实时检测，只能做静态检测，导致检测人员劳动强度大，效率低下的主要原因！

智能相机是一种具备观察—处理—辨识能力的成像设备，它所具备的基本功能是可以对场景进行分析并将感兴趣区域的内容和动作报告给用户，其基本输出不是图像，尽管它依然会输出图像以帮助用户去理解数据。和其它大多数图像检测技术一样，我们利用X射线成像设备进行缺陷检测的目的是想知道工件是否存在缺陷，缺陷的位置、类型及等级等信息，而不是工件的图像本身。因此，我们可以将智能相机的设计思想引入工业X射线机在线检测设备的设计中，使实时成像检测技术具有速度快，易于控制，累加成本低等优点。

在缺陷检测算法方面，基于X射线成像的缺陷检测存在以下难点：首先，相对工件尺寸而言，大多数缺陷的目标较小，在成像系统中表现为微弱特性，而且没有固定的形状与结构特征或特征不明显。在工件缺陷检测的图像分析任务中，如何从海量数据中找到需要的目标是一个核心问题，为了对缺陷目标的存在性做出判断，常见的解决方法往往需要对所有图像区域进行验证，但实际上我们所关心的内容通常仅占图像中很小一部分面积，这种全局加工的方式既造成了计算浪费，又加重了分析难度。其次，从X射线的照射方向来看，缺陷的尺寸均明显小于物体厚度尺寸，使最终获得的图像产生亮度小、灰度变化缓慢、对比度低、噪声干扰较大等不足。并且由于图像增强器在视野内不同区域具有不同的亮度增益，均匀物体的图像中心区域的亮度较周边区域通常较高，被称为空间的不均匀性，或称为晕影。

然而，人类视觉系统（HVS）却能较好地解决这一问题。视觉是人类感知环境信息的主要手段。研究表明，人类视觉能够检测和辨识信噪比极低的图像中的目标，而且能够瞬间完成视觉信息的获取、处理与理解的全过程，目前的视觉检测技术无法比拟。面对一个复杂场景，它总会迅速选择少数几个区域进行优先处理，该过程被称为视觉注意，被选中的区域被称为注意焦点（FOA）。视觉注意使HVS能够以不同的次序和力度对各个场景区域进行选择性加工，从而避免了计算浪费，降低了分析难度。显然，将这种机制引入X射线在线检测设备是非常有必要的。

虽然现有X射线成像检测系统的种种不足给缺陷目标的检测带来了困难，但光学成像器件性能的提升、现代计算机软、硬件技术的革新，为下一代快速、可靠、有效的动态实时X射线图像获取与分析提供了有利条件；来自生物视觉的启示，也将指导我们设计合理的缺陷自动提取与识别算法，使X射线在线检测系统的开发成为一个意义重大并极富挑战性的课题。

发明内容

本发明的目的在于针对现有的技术的不足，提供一种基于仿生智能相机的工业X射线在线探伤检测设备及方法，应用人的视觉机理，提高检测效率，减轻劳动强度，扩展X射线在线成像检测技术的应用领域。

本发明是通过以下技术方案实现的。

本发明所述的工业X射线机在线探伤检测系统由智能相机、光学镜头系统、图像增强器、X射线管、高压发生器、气动打标器、行程编码器、运动控制器、网卡、监控室主机、声光报警器组成。智能相机通过运动控制器控制传送带的运转，并通过行程编码器获得工件的位移信息；智能相机通过高压发生器控制X射线管发射X射线，透过工件并经图像增强器、光学镜头系统，再由智能相机摄取工件图像；智能相机中运行的基于仿生视觉的图像分析算法用于检测工件中是否存在缺陷并提取其在成像平面的坐标和尺寸信息，控制气动打标器标记出工件缺陷的所在位置，同时将高分辨率的实时视频、含有缺陷的图像及缺陷分析结果通过网卡传输至监控室主机；监控室主机与声光报警器连接。

本发明所述的工业X射线机在线探伤检测系统分为检测室及与之隔离的监控室，检测室设置射线屏蔽装置，保证X射线不会对外辐射。检测室设备以智能相机为核心，包括光学镜头系统、图像增强器、X射线管、高压发生器、气动打标器、行程编码器、运动控制器；智能相机完成对传送带上工件的X射线成像、采集、预处理、分析及缺陷标识工作，以及传输分析结果、调整设备参数；监控室包括的监控室主机、网卡和声光报警器，监控室主机除了保存缺陷图像外，还将对分析结果作进一步的参数统计，为后期工件的筛选、修补提供依据。

本发明所述的智能相机设计为双核DSP处理器的架构，实现图像传输和图像分析同时进行。其中，基于ARM9+视频协处理器的DSP搭配低照度CMOS传感器完成高分辨率图像采集和高清视频压缩编码、传输的任务；基于1.1GHz主频的高性能数字媒体专用DSP完成实时X射线图像分析的任务。传输的图像信息具备高分辨率静态图像和高帧率视频流两种格式，且互不干扰。上传至监控室主机的缺陷图像采用软件异步触发的方式抓拍，其分辨率高于现场实时处理的图像。

本发明所述的检测方法按如下步骤实现：

S1、智能相机初始化，与监控室主机建立连接并开始采集实时视频流；

S2、智能相机控制传送带运转，使工件位于X射线管与图像增强器之间的辐射面；

S3、开启高压发生器激发X射线管产生X射线，通过监控室主机调整射线强度及三可变（可调焦、可变焦、可变光圈）光学镜头的参数，使图像达到最佳效果；

S4、智能相机的ARM9从CMOS传感器采集一帧图像，并在视频处理子系统中（VPSS）进行尺度裁剪（Resize）及色彩变换，得到一帧静态灰度X射线图像；

S5、智能相机的高性能图像分析DSP通过主机接口获得步骤S4中的静态灰度X射线图像，开始执行缺陷检测算法；

S6、通过图像去噪、灰度变换增强得到图像I；

S7、提取早期视觉特征，得到亮度图L，方向图O_i，i＝0，1，2，3和纹理图T_j，j＝0，1，2；

S8、参照缺陷目标尺寸的先验信息设置场景中候选区域的最小直径d_min与划分层分数Lay，划分图像区域；度量各个FOA候选区域的视觉显著度，得到多层次的亮度显著图S_l，方向显著图O_iS_l，i＝0，1，2，3和纹理显著图T_jS_j，j＝0，1，2；

S9、根据被检工件的检测任务，通过对工件样本图像的分析与学习，确定候选区域的显著阈值D_s和数目阈值N_s，并设置候选区域选择与转移过程的初始值：k＝1，

$O_i{S}_l^k=O_i{S}_l,$ $T_j{S}_j^k=T_j{S}_j;$

S10、选择第k个候选区域，其显著度为Sal^k，对应特征为Fea^k，中心位置为(Loc^k，Loc^k)，区域直径为Dia^k；

S11、若SAl^k＜D_s，或k＞N_s，则跳转至步骤S14；

S12、结合具体任务，完成当前对第k个候选区域所在的局部区域的分析；

S13、更新显著图，得到

和更新候选区域编号，k＝k+1，返回步骤S10，进行候选区域转移；

S14、结束整个图像分析过程，若在设定的阈值下不存在潜在缺陷则跳转至步骤S4继续检测下一个工件；

S15、记录潜在缺陷的中心位置和候选区域直径，由智能相机根据标定系数换算为工件表面的实际尺寸和位移，控制打标器在相应位置进行标识；

S16、将缓存中的大尺寸图和计算得到的缺陷分析结果打包，利用TCP/IP协议通过以太网发送给监控室主机。

本发明将人眼的视觉注意机制引入X射线的图像分析，在一定程度上具备了类似于HVS的选择性加工能力。它具有较为广泛的适用范围，可以分析来自不同工件、不同射线的图像数据，可以处理包括图像筛选、图像压缩和目标检测在内的多种任务，可以用于自动或辅助的图像分析过程。本系统的优点是价格低、能够实时显示，检测速度快，适合对定位精度要求不是很高的、被检测工件厚度比较均匀的、人眼容易从屏幕上识别缺陷或问题的快速动态检测，如焊管焊缝检测，钢板内部缺陷检测、生产流水线上工件检测等。

附图说明

图1是本发明中工业X射线检测系统的结构示意图。

图2是本发明中基于双核DSP的智能相机模块示意图。

图3是本发明中基于仿生智能相机的工业X射线检测装置的工作流程图。

图4是本发明中图像分析算法的框架图。

图5是本发明中基于人眼注意机制的FOA候选区域划分示意图。

图6是本发明中基于人眼注意机制的视觉显著性度量方法示意图。

具体实施方式

下面结合附图对本发明提供的基于仿生智能相机的工业X射线探伤检测设备及方法做进一步描述。

如图1所示，是本发明中工业X射线检测系统的结构示意图。监测系统分为检测室和监控室两部分。监控室的主机通过百兆网卡与智能相机连接，并连接有声光报警装置在工作异常时启动报警。监控室主机的软件除了可以实时显示检测室的监控视频外，还可以保存缺陷图像及信息，对分析结果进行参数统计，并远程调整射线源和镜头等的参数。由于监控室主机具备相对充足的存储资源，还实现需要大量训练样本的缺陷分类和级别判定等高级分析算法，为后期工件的筛选、修补提供依据。检测室设置有抗辐射的射线屏蔽装置，其中的监测系统可划分为四个部分：运动控制部分、射线源部分、图像转换部分和图像处理部分，各部分均以智能相机为核心。

运动控制部分包括传送带、行程编码器、运动控制器及气动打标器。传送带上装载工件，使之依次通过X射线管与图像增强器之间的辐射面；行程编码器可以是光栅编码或磁编码，用于记录传送带的实际位移；运动控制器由减速电机及其驱动器构成，编码器的输出和驱动器的控制字输入可通过单片机或CPLD打包后与智能相机的RS-232接口1相连。在对工件进行成像检测时，不仅需要检测出工件的缺陷，而且还需要在工件上精确的标记出工件缺陷的具体位置，以便对产品工件缺陷进行修补和分析。为此，系统配置了气动打标器，通过RS-232接口2与智能相机相连。

射线源部分包括产生X射线的X射线管、驱动射线管的高压发生器及冷却器等部分。其中X射线管是核心部件，它由阴极、阳极、高真空玻璃管和防护外壳组成。管电压和管电流是衡量X射线机性能的主要技术指标，决定了产生射线的硬度（穿透性）和强度，需针对不同的检测对象进行选型和参数设置。例如，可选用丹东万全无损检测仪器厂生产的XGF-604型X射线机，其管电压为15～60kV可调，管电流0.1～4mA可调，出射角60°，最大消耗功率280W。智能相机的GPIO通过射线源控制器设置高压发生器的开闭和管电流、电压大小，监控室主机可通过智能相机间接地控制高压发生器，在首次工作时由检测人员经监控室主机完成参数调整，此后将控制权交给智能相机。

图像转换部分包括图像增强器和光学镜头系统。图像增强器将低密度的X射线图像转化为可见光图像输出，并使其输出面的亮度大幅提高。它主要有由射线窗口、输入屏（包括荧光面和光电面）、聚焦电极和输出屏构成。在图像增强器中完成X射线—可见光—电子—可见光的转换过程。本发明中可选用法国泰雷兹电子管器件公司（THALESELECTRON DEVICES）的6英寸屏TH9466HP型图像增强器，它的输入窗口装有薄金属板，具有良好的X射线穿透性，并能降低X射线散射。在具有反射性涂层的单一厚度玻璃输出窗口上，加有薄输出荧光屏幕，因此小部位的对比度也较高，并有低的构造噪声和高MTF（调制传输特性）特性。其极限分辨率为48Lp/mm，对比度为17:1，输出图像的直径为15mm。

光学镜头系统包括一个放映镜头和一个三可变镜头。由于图像增强器得到的射线图像很小，直径只有几厘米，所以要通过一个放映镜头将其放大。然后用一个电动三可变镜头将清晰的图像成像到智能相机的CMOS靶面上，由智能相机中DM368 芯片内嵌的ARM9处理器通过镜头控制器控制各电机的转向和角度，调节镜头的光圈、焦距和对焦，得到系统所要求亮度和大小的图像。使用这种光学镜头系统可以使用单视野的图像增强器，而无需购买价格更贵的三视野产品，节约系统成本。三可变镜头的选取需和光学成像器件的尺寸相匹配，本发明中，CMOS的尺寸为1/2寸，故选用了日本Computar公司的H10Z0812M型电动三可变镜头，其焦距为8～80mm，光圈大小为F1.2～F22C，电机驱动电压为DC8V，采用C型镜头接口。

如图2所示，是本发明中基于双核DSP的智能相机模块示意图。由于该检测系统既需要完成对外设的控制以及与监控室主机的通信，又需实现实时视频流的压缩和图像分析任务。同时考虑到X射线缺陷检测算法具有前端处理数据量大、实时性强且算法复杂度高的特点，使得这样的系统结构需要保证足够的灵活性，能够适应各种复杂的算法，同时又要保证高速的处理能力。于是，智能相机的设计采用了TI公司TMS320DM368（简写为DM368）+TMS320DM648（简写为DM648）的架构。

DM368是内嵌432MHz主频ARM926内核及视频图像协处理器引擎的高性能数字媒体片上系统，是面向高清视频编码传输的解决方案，可实现1080p分辨率下30fps的H.264视频编解码处理，并集成有图像传感器接口（ISIF），可直接连接CMOS和CCD图像传感器。在本发明中，利用DM368内嵌的ARM9处理器管理各种外设并实现和监控室主机的通信，利用内嵌的协处理器引擎实现2048×1536的静态JPEG图像捕获以及SVGA（1280×1024）分辨率、25fps帧频的H.264视频编码。具体的连接方式如下：通过GPIO与镜头控制器和射线源控制相连；通过UART端口连接串口电平转换芯片MAX3223并扩展出两路RS-232接口，分别连接传送带的运动控制器和气动打标器；内部的EMAC模块连接物理层器件RTL8201进行电平转换后连接RJ-45以太网接口；128MB的程序存储器（FlashMemory）和128MB的内存（DDR2 SDRAM）分别通过16bits的存储器端口连接。

DM648是基于C64x+内核的高性能数字媒体处理器。其主频可达1.1GHz，处理能力可达8800MIPS，专为高分辨率、高帧率视频图像处理而设计。DM648主要用于X射线图像的分析任务，因此配备有更大的程序执行空间。具体的连接方式如下：通过32bits的主机接口（HPI）与DM368相连，接收经过尺度和色彩变换的X射线图像，并发送处理结果；通过外部存储器接口（EMIF）连接程序存储器（Flash Memory）；通过32bits的内存控制器接口（DDR2 IF）连接两片16bits的DDR2内存；通过JTAG接口连接仿真头（Hurricaneheader）和XDS510仿真器。

图像传感器选用Micron公司的MT9T001型CMOS传感器。它采用了获得专利的低噪高灵敏度DigitalClarity技术，保证了在低光照条件下的成像品质；具备300万像素（2048×1536）的高分辨率成像优势，并在最大分辨率下可实现12fps的连续采集，既适用于静态图像捕捉有适用于连续视频采集。通过ISIF接口与DM368相连。

电源采用12V直流输入，功率>15W，通过电压转换模块输出1.2V、1.8V、2.5V和3.3V的电压供系统使用。

如图3所示，是本发明中基于仿生智能相机的工业X射线检测装置的工作流程图。具体步骤如下：智能相机初始化，与监控室主机建立连接并开始采集实时视频流；智能相机控制传送带运转，使工件位于X射线管与图像增强器之间的辐射面；首次检测时，检测人员通过监控室主机开启高压发生器激发X射线管产生X射线，并调整射线强度及三可变镜头的参数，使图像达到最佳效果，调整结束后将高压发生器的控制权交给智能相机，开始接收智能相机的数据并存储；ARM9从CMOS传感器采集一帧图像，以JPEG格式存储在缓存中，并在视频处理子系统中（VPSS）进行尺度裁剪（Resize）及色彩变换，得到一帧静态灰度X射线图像；DM648通过主机接口（HPI）获得该图像，开始执行缺陷检测算法；图像分析过程结束后，若在设定的阈值下不存在潜在缺陷则清空缓存中的JPEG图像并继续检测下一个工件；若存在缺陷，则记录潜在缺陷的中心位置和FOA直径，由ARM9根据标定系数换算为工件表面的实际尺寸和位移，控制打标器在相应位置进行标识；ARM9将缓存中的大尺寸图和计算得到的缺陷分析结果打包，利用TCP/IP协议通过以太网发送给监控室主机；智能相机在接收到监控室主机的结束指令后停止检测任务。

如图4所示，是本发明中图像分析算法的框架图。该模块首先通过特征提取得到经过预处理的图像I中的早期视觉特征，通过区域划分得到FOA候选区域；然后利用显著性度量对各个候选区域的视觉显著性进行评估；接着由FOA检测模块从这些候选区域中选择一组按照视觉显著性由强到弱顺序排列的FOA；最后利用这些FOA引导图像分析过程。各个子模块的具体工作情况如下：

1、图像预处理模块根据数据特点和任务需求，对输入的原始静态灰度X射线图进行图像降噪、图像增强和灰度拉伸等预处理，获得作为分析对象的图像I。

2、缺陷快速定位模块基于HVS的注意机制，分为以下四个步骤执行：

（1）早期视觉特征的选择和提取。这里选择亮度、方向和纹理3种适用于X射线图像的经过验证的早期视觉特征，并通过计算量较小的基于像元运算的描述符提取它们，得到一组特征图。

首先，直接将图像I作为亮度图L：

L(x，y)＝I(x，y)

然后分别用0°、45°、90°、135°这4个方向的Gabor滤波器对L滤波，得到4幅方向图R⁰、R⁴⁵、R⁹⁰、R¹³⁵，用O_i(i＝0，1，2，3)表示：

θ∈[0，45，90，135]

其中g为Gabor函数，θ为g的方向参数；接着，对L进行局部中心矩变换，得到3幅纹理图，M^0，1、M^1，0、M^1，1，用T_i(i＝0，1，2)表示：

$M^{p,q}(x,y)=\underset{r=-w}{\overset{r-w}{\mathrm{\Σ}}}\underset{s=-w}{\overset{s-w}{\mathrm{\Σ}}}L(x-r,y-s)r^p{s}^q$

这里，局部窗口大小为(2w+1)×(2w+1)。这是一个开放性的特征选择和提取过程，在具体的图像分析任务中，可以根据任务需求调整这些特征的数量、类型及其描述形式。

（2）FOA候选区域的划分。根据人类视觉通路的感受野（Receptive Field，RF）等级结构划分图像区域，形成一个多层次的FOA候选区域体系。该划分既不需要额外的计算，也不要求高层感知信息的参与。图5以一副8×8图像为例，展示了具体的区域划分情况。其中，图5(a)和图5(b)是相邻的两层划分，图5(a)是浅层，图5(b)是深层，各层中的区域形状均为圆形；同一层中的区域尺寸相同，相邻区间存在一定的重叠；不同层中的区域尺寸不同，层次越深，尺寸越大，相邻层之间的区域直径比为1:2。在具体的图像分析任务中，通常对所关心的目标尺寸有一个大致了解，可以据此确定FOA候选区域的最小直径d_min与划分层数Lay，此时，其最大直径d_max＝2^Lay-1d_min。在图5的示例中，d_min＝2，Lay＝2，d_max＝4。

（3）视觉显著性的度量。视觉显著性度量是视觉注意的核心环节。这里根据中心区和周边区相互拮抗的感受野模型计算各个FOA候选区域在各幅特征图中的视觉显著度，得到一组多特征和多层次的显著图。图6展示了该方法的设计思想。其中，图6(a)是简化的感受野模型，图6(b)—图6(d)是同一层中尺寸相同、位置不同的3个FOA候选区域的显著性度量情况，图6(e)—图6(f)是不同层中位置相同，尺寸不同的3个FOA候选区域的显著性度量情况，图中阴影区的特征值为0，白色区的特征值为1。可以看到，与实际FOA的位置和尺寸都吻合的候选区域显著度最大（图6(d)、图6(f)），当候选区域与实际FOA发生偏离时，其显著度随之下降（图6(b)、图6(c)、图6(e)、图6(g)）。

以第l层的一个中心位于(P_x，P_y)的FOA候选区域为例，其在亮度图L中的视觉显著性度量过程如下：首先，建立感受野相应曲面：

RF_l(x，y)＝α[G(x，y，σ_c)-G(x，y，σ_s)]

其中G为高斯函数：

$G(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{x^2+y^2}{{2\mathrm{\σ}}^2}}$

σ_c和σ_s之间满足比例关系：σ_s＝λσ_c，(λ＞1)，σ_c由FOA候选区域的直径d＝2^l-1d_min确定：

${\mathrm{\σ}}_c=\sqrt{\frac{({\mathrm{\λ}}^2-1)d^2}{{8\mathrm{\λ}}^2\ln {\mathrm{\λ}}^2}}$

这使得该候选区域对应RF_l与L乘积的积分，将其绝对值作为FOA候选区域与其周围区域的局部亮度差异：

其中m用来控制积分的空间范围。接着，计算FOA候选区域与整幅图像的全局亮度差异：

其中，L_m是整幅图像的亮度均值。最后，以这两个差异值为基础，综合FOA候选区域的尺寸与位置、特征类型等因素，得到其视觉显著度：

这里，α_L用来控制

和之间的比例关系，w_L，w_l和

分别是亮度特征、区域尺寸和区域位置的加权值，这些参数可以在具体的任务中进行调整。扩展以上操作，可以得到一组显著图LS_l，O_iS_i(i＝0，1，2，3)和T_iS_l(i＝0，1，2)，其中1≤l≤Lay。

（4）FOA的选择和转移。对于FOA的选择，特征整合理论认为，在注意前期，HVS能够从各幅互不相关的早期视觉特征图中选择一幅特征主图，并通过注意聚光灯照亮其中一块场景区域作为FOA。这里根据上述显著图确定特征主图和基本注意范围，进而得到FOA。首先，在显著图和

中找到视觉显著度最大的单元，将其显著值用Sal^k表示，对应的特征用Fea^k表示。对应的FOA候选区域的直径和位置用Dia^k和(Loc^k，Loc^k)表示，其中，k为FOA编号，初始状态下k＝1，

然后按照胜者全取（Winner-take-all，WTA）原则，将Fea^k对应的特征图作为特征主图，将由Dia^k和(Loc^k，Loc^k)确定的圆形区域作为基本注意范围；最后，直接将该基本注意范围作为第k个FOA，或者以此为基础，在特征主图中通过视区追踪、区域生长等相关算法对FOA进行更为准确的描述。

对于FOA的转移，这里根据HVS的认知特点，通过返回抑制机制实现。在通过上述选择过程得到第k个FOA之后，首先更新显著图

和将被该FOA覆盖的候选区域的视觉显著度设置为0，得到

和然后据此选择新的特征主图和基本注意范围，得到第k+1个FOA。这样，它就不会返回已经被选择过的前k个FOA了。

3.缺陷检测模块。在工件缺陷的X射线图像分析中，仅仅通过以上操作得到的FOA通常在准确度和精度上还无法满足缺陷精确定位的需求，但它用极低的代价获得了图像内容的相关线索，这些线索可以为分析提供重要的引导信息，从而使原本异常复杂的任务趋于简单。本发明的检测系统从以下两个层次引导图像分析：

（1）根据FOA选择图像。为了节省通信带宽和存储资源，不是每个工件的成像图都会被上传至监控室主机并存储，而是筛选出具有显著缺陷的工件图像。因此，在依次分析一组图像时，通过FOA判断各图像的属性，若图中存在显著性较大的FOA，则认为这是含有突出目标的缺陷图像，反之则认为这是不含缺陷的工件图像。

（2）根据FOA选择区域。在进一步分析一幅已知含有缺陷的图像时，通过FOA判断各个区域的属性，将显著值较大的FOA所在或聚集的区域看作有潜在缺陷的重要区域。

对于含有缺陷的图像，在本发明中直接记录下该区域的中心位置和直径，作为缺陷在成像平面的坐标和大小，由ARM9处理器根据标定系数换算为工件表面的实际尺寸和位移，控制气动打标器在工件相应位置进行标识。

4.缺陷辨识模块。该算法模块运行于监控室主机，通过局部图像阈值分割和形态学处理，提取缺陷特征参数，经进一步确定缺陷的轮廓形状，并通过神经网络或支持向量机（SVM）等方法实现缺陷分类。

如上所述，即可较好地实现本发明。

Claims (3)

1.一种工业X射线机在线探伤检测系统，其特征是由智能相机、光学镜头系统、图像增强器、X射线管、高压发生器、气动打标器、行程编码器、运动控制器、网卡、监控室主机、声光报警器组成，智能相机通过运动控制器控制传送带的运转，并通过行程编码器获得工件的位移信息；智能相机通过高压发生器控制X射线管发射X射线，透过工件并经图像增强器、光学镜头系统，再由智能相机摄取工件图像；智能相机中运行的基于仿生视觉的图像分析算法用于检测工件中是否存在缺陷并提取其在成像平面的坐标和尺寸信息，控制气动打标器标记出工件缺陷的所在位置，同时将高分辨率的实时视频、含有缺陷的图像及缺陷分析结果通过网卡传输至监控室主机；监控室主机与声光报警器连接。

2.权利要求1所述的检测系统，其特征是所述的智能相机由DM368+DM648架构组成的，其中：

DM368通过GPIO与镜头控制器和射线源控制相连；通过UART端口连接串口电平转换芯片MAX3223并扩展出两路RS-232接口，分别连接传送带的运动控制器和气动打标器；内部的EMAC模块连接物理层器件RTL8201进行电平转换后连接RJ-45以太网接口；128MB的程序存储器和128MB的内存分别通过16bits的存储器端口连接；

DM648通过32bits的主机接口与DM368相连，接收经过尺度和色彩变换的X射线图像，并发送处理结果；通过外部存储器接口连接程序存储器；通过32bits的内存控制器接口连接两片16bits的DDR2内存；通过JTAG接口连接仿真头和XDS510仿真器。

3.权利要求1所述的系统的检测方法，其特征是由下列步骤实现：

S1、智能相机初始化，与监控室主机建立连接并开始采集实时视频流；

S2、智能相机控制传送带运转，使工件位于X射线管与图像增强器之间的辐射面；

S3、开启高压发生器激发X射线管产生X射线，通过监控室主机调整射线强度及光学镜头的参数，使图像达到最佳效果；

S4、智能相机的ARM9从CMOS传感器采集一帧图像，并在视频处理子系统中进行尺度裁剪及色彩变换，得到一帧静态灰度X射线图像；

S5、智能相机的高性能图像分析DSP通过主机接口获得步骤S4中的静态灰度X射线图像，开始执行缺陷检测算法；

S6、通过图像去噪、灰度变换增强得到图像I；

S7、提取早期视觉特征，得到亮度图L，方向图O _i ,i=0,1,2,3 和纹理图T _j ,j=0,1,2；

S8、参照缺陷目标尺寸的先验信息设置场景中候选区域的最小直径d _min与划分层分数Lay，划分图像区域；度量各个候选区域的视觉显著度，得到多层次的亮度显著图S _l ，

方向显著图O _i S _l ,i=0,1,2,3和纹理显著图 T _j S _j ,j=0,1,2；

S9、根据被检工件的检测任务，通过对工件样本图像的分析与学习，确定候选区域的显著阈值D _s 和数目阈值N _s ，并设置候选区域选择与转移过程的初始值：k=1，LS _l ^k =LS _l ，O _i S _l ^k =O _i S _l ，T _j S _j ^k =T _j S _j ；

S10、选择第k个候选区域，其显著度为Sal ^k ，对应特征为Fea ^k ，中心位置为(Loc ^k ,Loc ^k )，区域直径为Dia ^k ；

S11、若Sal ^k <D _s ，或k>N _s ，则跳转至步骤S14； 

S12、结合具体任务，完成当前对第k个候选区域所在的局部区域的分析；

S13、更新显著图，得到LS _l ^k+1 、O _i S _l ^k+1 和T _j S _j ^k+1 ，更新候选区域编号，k=k+1，返回步骤S10，进行候选区域转移；

S14、结束整个图像分析过程，若在设定的阈值下不存在潜在缺陷则跳转至步骤4继续检测下一个工件；

S15、记录潜在缺陷的中心位置和候选区域直径，由智能相机根据标定系数换算为工件表面的实际尺寸和位移，控制打标器在相应位置进行标识；

S16、将缓存中的大尺寸图和计算得到的缺陷分析结果打包，利用TCP/IP协议通过以太网发送给监控室主机。

Images